Gemini 3.8 Live with Live Avatar：Googleが音声モデルに顔を与える

Gemini 3.8 Live と Gemini 3.8 Live Extended Thinking は2026年9月15日に提供開始された——GoogleがベンダーのAPI上で公開した2つのネイティブなライブ対話エンドポイントで、一方はレイテンシ、もう一方は熟考に最適化されている。9月24日、同社はGemini 3.8 Live with Live Avatarを発表した。これはほぼリアルタイムの動画生成と同じ音声対話ループを組み合わせることで、モデルが話している間に対応する顔を持てるようにするものだ。2つのモデルID自体には何も変更はない。変わったのは、会話がどのような形を取れるか、そしてより重大なことに、会話が進行中のままでモデルがその会話に対して何をできるようになるかだ。

9月24日に実際にリリースされたもの

DeepMindの投稿は短く具体的で、その主張と意味を切り分ける価値がある。Live Avatarは、Goog​le自身の言葉によれば、リアルタイムの動画生成を既存の音声スタックと組み合わせることで「Geminiの対話型AIにほぼリアルタイムの視覚的プレゼンスをもたらす」。同社は、正確なリップシンク、自然な表情、流れるようなターンテイキングについて述べ、2つの導入例を挙げている。カスタマーサービスとインタラクティブなウォークスルーだ。そして、構築を計画している人にとって最も重要な一文を続ける——「本日より、Live Avatarを搭載したGemini 3.8 LiveがGemini Enterpriseで利用可能になった」。

可用性について言えるのは以上です。Live Avatar は Gemini API のモデル ID ではありません。API の音声モデル一覧には依然として gemini-3.8-live と gemini-3.8-live-extended-thinking があり、アバターの行はなく、料金表にもアバターの項目はありません。この機能は Gemini Enterprise 内で提供されるため、この発表の対象は企業の購買担当者と、彼らに代わって統合を行う開発者であり、今日キーを使って Live API を呼び出す個人開発者ではありません。

この投稿の主張のうち2つは、正確に引用する価値がある。どちらも通常のローンチ時の文言より強い表現だからだ。1つ目：Live Avatarは「ネイティブな多言語音声対音声同期を備え」、「映像の忠実度を低下させたり視覚的なずれを生じさせたりすることなく、97言語間をシームレスに移行できる」。97という数字は、9月15日の発表で基盤となるライブ対話モデルについてうたわれた言語数と同じなので、これは既存の多言語に関する主張に新たな制約を付けて言い直したものだ——文中で言語が変わるとき、リップシンクと顔のアニメーションが追随しなければならない。2つ目：すべての出力にはSynthIDによる透かしが入っており、「音声と映像の出力に直接織り込まれている」。声だけでなく、音声と映像の両トラックに。

本当に新しい機能は真ん中にあるものです

ビジュアルを飛ばして読み進めると、最も興味深い段落はツール呼び出しに関するものだ。Googleによれば、Live Avatarは「非同期ツール呼び出し」に支えられており、これによって「能動的な対話を続けながらバックグラウンドでツール呼び出しをトリガーしてデータを取得し、複雑なタスクを処理しつつ、途切れない会話の流れを確保できる」という。具体例として挙げられているのはホテルのゲストチェックインで、モデルはバックグラウンドでツールを呼び出しながら会話を続ける。

それは、ほとんどの音声統合が前提としているリクエスト・レスポンス型とは実際に異なるアーキテクチャ上の違いであり、コストが伴う部分でもある。非同期実行とは、モデルがトランスクリプトには表示されない処理を行っているということだ。テキストのパイプラインなら、ツール呼び出しは1ターンとして見える。ここではそれが、まだ進行中の会話の下で起きており、あらゆる並行実行が提起するのと同じ疑問を提起する。つまり、ツール呼び出しが発話の途中でサイレントに失敗したら何が起きるのか、そして発信者はそれをどうやって知るのか。Googleの投稿には書かれておらず、モデルカードがそれを確認すべき場所だ。「途切れない会話の流れ」という主張は、ベンダーによる報告であり、我々が確認できる限り第三者による検証はされていないものとして扱うべきだ。

プリセットアバター、そして面白い半分を制限する許可リスト

カスタマイズの仕組みには2つの階層があり、そのうち一般提供されているのは1つだけです。エンタープライズ導入ではすべて「多様なプリセットアバターのライブラリ」が利用できます。カスタムアバター——「高品質な参照画像から」生成され、「参照元の似顔、ブランドのスタイル、またはキャラクターのアイデンティティを保つ」もの——はゲートの内側にあり、Goog­leは明言しています。「カスタムアバターの作成は現在、エンタープライズの許可リスト登録を通じてのみ利用可能です」。

つまり、ほとんどのチームが実際に欲しがる機能——アバターをブランドや名前付きキャラクターに合わせられるようにする機能——は、セルフサービスでは使えないものです。もしあなたの計画が、自社のマスコットに似た合成プレゼンターに依存しているなら、あなたが待っているのはモデルのリリースではなく、許可リストに関する判断です。それは技術的な事実ではなく調達上の事実であり、しかも静かに四半期をずれ込ませる類のものです。

行の残りの部分に対してどこに位置するか

Live Avatar は空の製品ファミリーに登場したわけではなく、その位置づけは同じ2週間に投入された兄弟製品と比べるとはっきりと見えてくる。

• 提供形態 — Gemini 3.8 Live with Live Avatar は Gemini Enterprise 内のエンタープライズ機能であるのに対し、Gemini 3.8 Live と Gemini 3.8 Live Extended Thinking はモデル ID と公開された分単位の料金を備えた Gemini API エンドポイントです
• 開発者による呼び出し — Live Avatar は不可、モデル ID も料金表の記載もなし。一方、2 つの Live エンドポイントは可、gemini-3.8-live および gemini-3.8-live-extended-thinking
• 出力 — Live Avatar は音声と同期した映像。一方、Live エンドポイントは音声のみ
• 言語に関する主張 — Live Avatar はリップシンクと表情の連続性を備えた 97 言語。一方、Live エンドポイントは会話途中の自動切り替えに対応した 97 言語
• ウォーターマーク — Live Avatar は音声トラックと映像トラックの両方に SynthID。一方、Live エンドポイントは生成された音声に SynthID

2つのLiveエンドポイント自体は、十分に文書化された一対です。独立した測定では、一部の軸では大きく離れ、他の軸では近い結果となっています。Artificial Analysis Speech to Speech Indexでは、Gemini 3.8 Live Extended Thinking (High) が82.6、Gemini 3.8 Liveが76.0で、その差は主に推論品質によるものであり、会話のダイナミクスでは順位が逆転します。Google自身の数値では、τ-Voiceのタスク完了率が68.6%と30.1%、Big Bench Audioが98%と92%です。Live Avatarは、その下でどちらを呼び出してもその特性を引き継ぎ、料金も同様に引き継ぎます。なぜなら、アバターは同じ会話ループ上のプレゼンテーション層だからです。

これによって変わらないこと

モデルをより良くするものではない。Live Avatarはプレゼンテーションとオーケストレーションのレイヤーであり、Gemini 3.8 Liveの品質指標は9月15日時点のままである。2つのバリアントのうちより強力なものを必要とする人は、依然としてExtended Thinkingを選択し、そのレイテンシーを受け入れなければならない。APIに動画を追加するものでもない。また、モデルと対話する価格を変更するものでもなく、依然としてLive APIの音声の分単位料金で請求される——音声入力は1分あたり$0.005、音声出力は1分あたり$0.018——アバターの動画生成は個別販売されていないため、公開価格は設定されていない。

それが実際に変えるのは、別個のレンダリング層なしで構築できる製品群だ。以前は話すだけで画面上に空白のパネルを残していたサポートエージェントが、今では作業中も顔を表示しておけるようになり、背景で行っている作業が無音の空白として見えることもなくなった。それはインターフェースの形にとって意味のある変化であり、基盤モデルにとっては控えめな変化だ。その両方は同時に成り立つ。

注目すべき点と、ルーティングに関する注意事項が1つ

この3点が揃えば、これは発表から構築判断へと変わります。カスタムアバターの許可リスト登録が開放される必要があります。プリセットアバターはデモであり、カスタムアバターは製品だからです。ビデオトラックには価格が付く必要があります。価格のない出力ではユニットエコノミクスをモデル化できないからです。そして、アバターエンドポイントがAPIのモデル一覧に現れる必要があります。それがエンタープライズ機能と、開発者が今夜呼び出せるものとの違いだからです。

当社側について、誤解されやすいため正確に述べておくべきことが一つあります。OrcaRouter は Gemini 3.8 Live のエンドポイントや Live Avatar をルーティングしておらず、ここでの記述はいずれも、そうしているという主張として読まれるべきではありません。当社が扱っているのは、Google の 3.8 ラインの残りの部分です——google/gemini-3.8-flashもその一つであり、200 を超えるモデルのカタログも単一のキーでプロバイダーの定価のままマークアップなしで利用できます。Live Avatar があなたのアーキテクチャを、顧客の発言について推論する必要があるエージェントへと導くのであれば、そのスタックのうち推論を担う半分こそ、今日統合できる半分です。